一、动态规划要解决的问题
动态规划问题的一般形式就是求最值。动态规划其实是运筹学的一种最优化方法,只不过在计算机问题上应用比较多,比如说让你求最长递增子序列,背包问题呀等。只要我们发现某一过程包含多种状态(情况),后一种状态的生成依赖于前面的情况,就可以使用动态规划
二、一般步骤
1、 确定dp数组(dp table)以及下标的含义
2 、确定递推公式
3、给dp数组初始化
4、确定遍历顺序
代码框架如下:
# 初始化 base case
dp[0][0][...] = base
# 进行状态转移
for 状态1 in 状态1的所有取值:
for 状态2 in 状态2的所有取值:
for ...
dp[状态1][状态2][...] = 求最值(选择1,选择2...)
三、实例一
解析
class Solution {
public:
int lengthOfLIS(vector<int>& nums) {
int length = (int)nums.size();
if (length == 0) {
return 0;
}
// dp数组的含义:考虑前 i 个元素,以第 i 个数字结尾的最长上升子序列的长度
vector<int> dp(length, 0);
for (int i = 0; i < length; ++i) {
dp[i] = 1;
for (int j = 0; j < i; ++j) {
if (nums[j] < nums[i]) {
dp[i] = max(dp[i], dp[j] + 1); // 状态转移方程
}
}
}
return *max_element(dp.begin(), dp.end()); // 遍历完后,找最大值
}
};
四、 实例二
class Solution {
public:
int longestCommonSubsequence(string text1, string text2) {
int length1 = text1.length();
int length2 = text2.length();
// dp[i][j] 表示 text1[0:i] 和 text2[0:j] 的最长公共子序列的长度。
vector<vector<int>> dp(length1 + 1, vector<int>(length2 + 1));
for (int i = 1; i <= length1; i++) {
char c1 = text1.at(i - 1);
for (int j = 1; j <= length2; j++) {
char c2 = text2.at(j - 1);
if (c1 == c2) {
dp[i][j] = dp[i - 1][j - 1] + 1; // 状态转移方程
}
else {
dp[i][j] = max(dp[i - 1][j], dp[i][j - 1]); // 状态转移方程
}
}
}
return dp[length1][length2];
}
参考: